CN111311122B - 面向智慧城市的充电站建设方法 - Google Patents

面向智慧城市的充电站建设方法 Download PDF

Info

Publication number
CN111311122B
CN111311122B CN202010208693.9A CN202010208693A CN111311122B CN 111311122 B CN111311122 B CN 111311122B CN 202010208693 A CN202010208693 A CN 202010208693A CN 111311122 B CN111311122 B CN 111311122B
Authority
CN
China
Prior art keywords
charging
charging station
city
planned
station
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010208693.9A
Other languages
English (en)
Other versions
CN111311122A (zh
Inventor
钟雨沛
杨超
林芷薇
谭美健
方思凡
邹毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010208693.9A priority Critical patent/CN111311122B/zh
Publication of CN111311122A publication Critical patent/CN111311122A/zh
Application granted granted Critical
Publication of CN111311122B publication Critical patent/CN111311122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了面向智慧城市的充电站建设方法，通过获取待规划城市内的交通信息、居民信息以及充电站的建设参数和运行参数数据；对待规划城市进行充电需求分析并进行充电区块划分，通过卷积神经网络预测各充电区块的关键充电需求点及各关键充电需求点所对应的电动汽车平均行驶速度；以保证充电站全天应满足其服务范围内所有充电需求、各用户在预设电量值内需到达相应的充电站进行充电、以及所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内为约束条件，以最小化待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型；求解该模型得到待规划城市的选址及建设方案。

Description

面向智慧城市的充电站建设方法
技术领域
本发明涉及城市交通规划与优化技术领域，尤其涉及面向智慧城市的充电站建设方法。
背景技术
随着社会的经济技术发展，环保成为了现代社会的一个重要话题。在人类社会的生活选择上，环保逐渐成为一种趋势。在这种社会趋势下，人们在出行选择上，更多地选择了电动汽车来代替传统的燃油汽车。电动汽车的需求量逐渐增大，而其充电需求也在变大。但是，基于现有的充电技术，电动汽车的充能方式很难像传统燃油汽车一样快速、便捷。现有的电动汽车充电主要有两种方式：慢充和快充。在慢充模式下，电动汽车通常需要6小时以上才能充满，适合长时间停车的电动汽车车主；快充模式下，电动汽车之需要30分钟～1小时就能充满。两者相比之下，快充模式因为其快捷性，逐渐成为了电动汽车用户的重要充电选择，但同时，快充也会给电网带来一定的压力，其建设成本与慢充相比也会比较大。
与传统加油站选址方式相比，在面向智慧城市的电动汽车充电站的建设选址过程中，需要综合考虑各方面具体因素，主要包括：充电站的建设成本、电动汽车用户为充电的所花费的经济成本、时间成本，同时也要考虑充电站选址的合理性，即充电站的服务范围、充电站的电网建设可以满足其服务范围内所有有充电需求的用户。因此，在考虑充电站的选址时，传统的加油站选址方式很难得到沿用。为了使电动汽车更加普及，充电站在选址建设上需要作出一定的考量及改进。然而现有的研究更多针对电动汽车快充的特性，少有考虑慢充的充电方案。
综上所述，传统加油站的选址策略在目前电动汽车充电的充能模式无法继续沿用，另外现有的充电站选址研究极少考虑考虑交通路网的特性以及慢充的充电方案，充电站建设规划欠优。
发明内容
本发明为解决传统加油站的选址策略在目前电动汽车充电的充能模式无法继续沿用，且现有的充电站选址研究极少考虑考虑交通路网的特性以及慢充的充电方案，充电站建设规划欠优的问题，提供了面向智慧城市的充电站建设方法。
为实现以上发明目的，而采用的技术手段是：
面向智慧城市的充电站建设方法，包括以下步骤：
S1.获取待规划城市内的交通信息、居民信息以及充电站的建设参数和运行参数数据；
S2.基于步骤S1得到的数据，对所述待规划城市进行充电需求分析并进行充电区块划分，通过卷积神经网络预测各充电区块的关键充电需求点及各关键充电需求点所对应的电动汽车平均行驶速度；
S3.以保证充电站全天应满足其服务范围内所有充电需求、各用户在预设电量值内需到达相应的充电站进行充电、以及所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内为约束条件，以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型；
S4.求解所述充电站选址建设模型，得到所述待规划城市的选址及建设方案。
上述方案中，结合考虑一定充电桩覆盖区域内充电需求分析、以及交通路网性质，对充电需求的生成和空间分布情况进行了有效的预测，而后构建了充电站选址、规划的联合优化问题及相应的充电站选址建设模型，通过该模型，可以设计得到在满足一定区域内充电需求的前提下，符合路网特性的最优方案，同时达到最小成本的效果。
优选的，步骤S1所述的：
交通信息包括：在所述待规划城市中各路段的起点、终点的经纬度信息、距离、路段类型以及该路段在一天内各个时刻的电动汽车通行量；
居民信息包括：所述待规划城市的人口数量表、私人机动车数量表、私人电动汽车数量、规划充电站覆盖区域的总面积；
充电站的建设参数和运行参数包括：充电站中单个快充充电桩造价、单个慢充充电桩造价：
Figure BDA0002422067470000021
其中Ffast为单个快充充电桩造价、Fslow为单个慢充充电桩造价；
用户选择快充和慢充两种不同充电方式下的充电时长：
Figure BDA0002422067470000022
其中Tfast为快充的充电时长；Tslow为慢充的充电时长；
用户选择快充和慢充两种不同充电方式下的充电效率：
Figure BDA0002422067470000031
其中pfast为快充的充电效率；pslow为慢充的充电效率；
电动汽车的正常行车状态下的消耗功率Pc；实时获取充电需求点i的时刻k下的车流量mik；充电站的充电单价u2。
优选的，在所述步骤S2中，基于步骤S1得到的数据还包括对所述数据进行数据清洗，删除噪音数据及故障数据。
优选的，在所述步骤S2中，所述待规划城市被划分为j个充电区块，同时对时间段划分为k段，通过BP卷积神经网络预测各充电区块得到关键充电需求点i及各关键充电需求点所对应的电动汽车平均行驶速度vik。在本优选方案中，由于智慧城市中不同区域、不同时间呈现不同的性质，因此划分为不同充电区块从而在后续制定不同区块的选址方案。
优选的，步骤S3中所述约束条件中的保证充电站全天应满足其服务范围内所有充电需求，具体建立为如下第一约束方程：
Figure BDA0002422067470000032
其中i表示第i个关键充电需求点，k表示第k时刻，其中pk*Tk表示该充电站提供的充电电能，dij表示第i个关键充电需求点到j个充电站的距离；
pk*Tk＝ak*pfast*Ffast+bk*pslow*Tslow
其中ak表示该充电站的快充充电桩数量，bk表示该充电站慢充充电桩数量。
优选的，步骤S3中所述约束条件中的各用户在预设电量值内需到达相应的充电站进行充电，具体建立为如下第二约束方程：
dij≤dmax
dij表示第i个关键充电需求点到j个充电站的距离，dmax表示充电站所能服务的区域范围。
优选的，步骤S3中所述约束条件中的所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内，具体建立为如下第三约束方程：
Figure BDA0002422067470000041
Figure BDA0002422067470000042
对于待规划城市内的任一关键充电需求点i，若其在充电站j的服务范围Rj内，则yij＝1，否则yij＝0；任一关键充电需求点i应满足至少在一个充电站的服务范围内。
优选的，步骤S3所述的以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型具体包括：
以最小化所述待规划城市的充电站建设投入成本为目标建立第一目标方程：
Figure BDA0002422067470000043
其中Mi＝ai*Ffast+bi*Fslow，a和b分别表示该充电站内快充充电桩、慢充充电桩的数量；Ffast为单个快充充电桩造价、Fslow为单个慢充充电桩造价；ci为充电站的基础建设成本，包括土地成本；r表示充电站的投资回收率；l表示充电站的投资回收年限；xi表示是否在i点处建设充电站，xi∈{0，1}，值为1表示是，值为0表示否。
以最小化用户充电成本为目标构建第二目标方程：
Figure BDA0002422067470000044
其中，mi，k表示第k个时间段内，充电区块i内有充电需求的电动汽车总数量；u2表示电动汽车在充电站的充电单价；g表示电动汽车单位里程消耗电量，u1表示用户的单位出行价值。
优选的，步骤S3所述的以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型还包括：
将所述第一目标方程及第二目标方程整合为单目标函数，得到如下充电站选址建设模型：
Z3＝Z1+Z2
约束方程：
Figure BDA0002422067470000051
dij≤dmax
∑jyij≥1。
优选的，所述步骤S5具体为：采用遗传算法求解所述充电站选址建设模型，将A个充电站的位置作为基因组合，充电站的选点在原来的位置基础上变动一定距离B，可自定义变动的次数C，得到A*B*C种排列组合，对每一个组合进行遍历，在满足所述充电站选址建设模型的约束条件的前提下，计算所述待规划城市的充电站建设投入成本及用户充电成本的最小值，得到最优解，从而得到每个充电站的选址，以及每个充电站所需提供的电量。
与现有技术相比，本发明技术方案的有益效果是：
本发明的面向智慧城市的充电站建设方法综合考虑充电站的建设成本、电动汽车用户为充电所产生的时间成本、经济成本，以及一定区域内充电需求分析、以及交通路网性质，对充电需求的生成和空间分布情况进行了有效的预测，而后构建了充电站选址建设模型，通过该充电站选址建设模型可以选出在满足一定区域内充电需求的前提下，符合路网特性的最优方案，同时达到最小成本的效果。本发明解决了传统加油站的选址策略在目前电动汽车充电的充能模式无法继续沿用，且现有的充电站选址研究极少考虑考虑交通路网的特性以及慢充的充电方案的问题。
附图说明
图1为本发明的总流程图。
图2为实施例中所采用BP神经网络的结构图。
图3为实施例中采用遗传算法求解充电站选址建设模型的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
面向智慧城市的充电站建设方法，如图1所示，包括以下步骤：
S1.获取待规划城市内的交通信息、居民信息以及充电站的建设参数和运行参数数据；
S2.基于步骤S1得到的数据，对所述待规划城市进行充电需求分析并进行充电区块划分，通过卷积神经网络预测各充电区块的关键充电需求点及各关键充电需求点所对应的电动汽车平均行驶速度；
S3.以保证充电站全天应满足其服务范围内所有充电需求、各用户在预设电量值内需到达相应的充电站进行充电、以及所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内为约束条件，以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型；
S4.求解所述充电站选址建设模型，得到所述待规划城市的选址及建设方案。
关于上述几个步骤，详细说明如下。
S1.获取待规划城市内的交通信息、居民信息以及充电站的建设参数和运行参数数据；以上数据具体包括：
交通信息包括：在所述待规划城市中各路段的起点、终点的经纬度信息、距离、路段类型(快速路，基本路)以及该路段在一天内各个时刻的电动汽车通行量；
居民信息包括：所述待规划城市的人口数量表、私人机动车数量表、私人电动汽车数量、规划充电站覆盖区域的总面积；
充电站的建设参数和运行参数包括：充电站中单个快充充电桩造价、单个慢充充电桩造价：
Figure BDA0002422067470000061
其中Ffast为单个快充充电桩造价、Fslow为单个慢充充电桩造价；
用户选择快充和慢充两种不同充电方式下的充电时长：
Figure BDA0002422067470000062
其中Tfast为快充的充电时长；Tslow为慢充的充电时长；
用户选择快充和慢充两种不同充电方式下的充电效率：
Figure BDA0002422067470000071
其中pfast为快充的充电效率；pslow为慢充的充电效率；
电动汽车的正常行车状态下的消耗功率Pc；实时获取充电需求点i的时刻k下的车流量mik；充电站的充电单价u2。
S2.基于步骤S1得到的数据，对所述待规划城市进行充电需求分析并进行充电区块划分，通过卷积神经网络预测各充电区块的关键充电需求点及各关键充电需求点所对应的电动汽车平均行驶速度；
S21.对获取的数据进行数据清洗，删除噪音数据及故障数据；
S22.将待规划城市路网所有的路段上的充电需求点{Na，a∈A}平分至形成该路段上的两个节点，即
Figure BDA0002422067470000072
二路网中的任意节点均可能参与形成了一条以上的路段，因而可以得到任意路网节点的充电需求量：
Figure BDA0002422067470000073
因而充电区块的需求量为：
Figure BDA0002422067470000074
其中，Rj为参与围成的充电区块Sj的节点集合，ci为节点所参与形成的充电区块个数，即可以得到各个充电区块的充电站的选点：
Figure BDA0002422067470000075
S23.为减少其他无关因素对充电区块需求分析的影响，现结合交通信息，利用BP神经网络提取出充电区块中的关键充电需求点，步骤如下：
S231.研究充电区块内所有充电需求点i：计算充电需求点i与该区块充电站j的距离dij。计算该充电需求点i某一时刻下车流量Lik、平均每辆车的电量Qik，k表示某一时刻。计算在k时刻下，充电区块内所有充电需求点的平均充电需求量：
Figure BDA0002422067470000076
S232.构建BP神经网络预测充电区块的关键充电需求点：
其中如图2所示，该BP神经网络包括依次连接的输入层、隐藏层、输出层，令输入向量为
Figure BDA0002422067470000081
隐藏层激励函数采用logsig函数，输出层激励函数采用tansig函数，训练函数采用trainrp函数。
输入向量
Figure BDA0002422067470000082
后，采用硬极限函数作为神经元激励函数：
Figure BDA0002422067470000083
在BP神经网络输出层，获取此时该充电需求点与平均充电需求量进行对比：
Figure BDA0002422067470000084
通过BP神经网络可以预测出区块内输出值Y为1的输出点，收集并记录。这类关键充电需求点有较大的充电需求量，在各区块内具有一定的代表性。
S233.利用BP神经网络预测各个关键充电需求点其电动汽车的平均行驶速度：实时获取关键充电需求点的电动汽车平均行驶速度
Figure BDA0002422067470000086
将其作为期望值纠正BP神经网络。最终利用该BP神经网络来预测各个关键充电需求点的电动汽车行驶速度vik。
S3.以保证充电站全天应满足其服务范围内所有充电需求、各用户在预设电量值内需到达相应的充电站进行充电、以及所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内为约束条件，以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型：
构造约束方程：
其中，保证充电站全天应满足其服务范围内所有充电需求，具体建立为如下第一约束方程：
Figure BDA0002422067470000085
其中i表示第i个关键充电需求点，k表示第k时刻，其中pk*Tk表示该充电站提供的充电电能，dij表示第i个关键充电需求点到j个充电站的距离；
pk*Tk＝ak*pfast*Tfast+bk*pslow*Tslow
其中ak表示该充电站的快充充电桩数量，bk表示该充电站慢充充电桩数量。
其中，各用户在预设电量值内需到达相应的充电站进行充电，具体建立为如下第二约束方程：
dij≤dmax
dij表示第i个关键充电需求点到j个充电站的距离，dmax表示充电站所能服务的区域范围；
对于该预设电量值的设置，在本实施例中按“焦虑电量”进行设定，即当用户因为电量不足时而产生焦虑，不能抵达目的地所对应的电量。该约束条件希望任一用户在j点，“焦虑电量”内，可以达到服务该充电区块的充电站i。
其中，待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内，具体建立为如下第三约束方程：
Figure BDA0002422067470000091
Figure BDA0002422067470000092
对于待规划城市内的任一关键充电需求点i，若其在充电站j的服务范围Rj内，则yij＝1，否则yij＝0；任一关键充电需求点i应满足至少在一个充电站的服务范围内。
构造目标函数：
结合步骤S1、S2所得到的信息，以最小化所述待规划城市的充电站建设投入成本为目标建立第一目标方程：
Figure BDA0002422067470000093
其中Mi＝ai*Ffast+bi*Fslow，a和b分别表示该充电站内快充充电桩、慢充充电桩的数量；Ffast为单个快充充电桩造价、Fslow为单个慢充充电桩造价；ci为充电站的基础建设成本，包括土地成本；r表示充电站的投资回收率；l表示充电站的投资回收年限；xi表示是否在i点处建设充电站，xi∈{0，1}，值为1表示是，值为0表示否。
以最小化用户充电成本为目标构建第二目标方程：
Figure BDA0002422067470000094
其中，mi，k表示第k个时间段内，充电区块i内有充电需求的电动汽车总数量；u2表示电动汽车在充电站的充电单价(元/千瓦时)；g表示电动汽车单位里程消耗电量(kWh)，u1表示用户的单位出行价值。
将以上第一目标方程及第二目标方程整合为单目标函数，得到如下充电站选址建设模型：
Z3＝Z1+Z2 (1)
约束方程：
∑i∑k dijmikPc≤∑kpk*Tk (2)
dij≤dmax (3)
∑jyij≥1 (4)
S4.采用遗传算法求解上述构造的充电站选址建设模型，得到所述待规划城市的选址及建设方案。
将A个充电站的位置作为基因组合，充电站的选点在原来的位置基础上变动一定距离B，可自定义变动的次数C，得到A*B*C种排列组合，对每一个组合进行遍历，在满足所述充电站选址建设模型的约束条件的前提下，计算所述待规划城市的充电站建设投入成本及用户充电成本的最小值，得到最优解，从而得到每个充电站的选址，以及每个充电站所需提供的电量。如图3所示，具体的计算过程如下：
Step 1：计算各个充电区块充电站初始位置；
Step 2：计算充电区块关键充电需求点
Step 3：计算目标函数；
Step 4：判断是否遍历完所有的排列组合，是则跳至Step 3，否则获取一组排列组合并进行下一步；
Step 5：判断是否满足充电需求总量，是则进行下一步，否则跳至Step4；
Step 6：计算各个充电站两种类型充电转的数量，并计算各个充电站的建设成本；
Step 7：判断是否满足距离要求，是则进行下一步，否则跳至Step 4；
Step 8：判断是否满足充电站的覆盖要求，是则进行下一步，否则跳至Step 4；
Step 9：判断当前是否满足最优解，是则进行下一步，否则跳至Step 4；
Step 10：输出最优解。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (2)

1.面向智慧城市的充电站建设方法，其特征在于，包括以下步骤：
S1.获取待规划城市内的交通信息、居民信息以及充电站的建设参数和运行参数数据；
S2.基于步骤S1得到的数据，对所述待规划城市进行充电需求分析并进行充电区块划分，通过卷积神经网络预测各充电区块的关键充电需求点及各关键充电需求点所对应的电动汽车平均行驶速度；
S3.以保证充电站全天应满足其服务范围内所有充电需求、各用户在预设电量值内需到达相应的充电站进行充电、以及所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内为约束条件，以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型；
S4.求解所述充电站选址建设模型，得到所述待规划城市的选址及建设方案；
步骤S1所述的：
交通信息包括：在所述待规划城市中各路段的起点、终点的经纬度信息、距离、路段类型以及该路段在一天内各个时刻的电动汽车通行量；
居民信息包括：所述待规划城市的人口数量表、私人机动车数量表、私人电动汽车数量、规划充电站覆盖区域的总面积；
充电站的建设参数和运行参数包括：充电站中单个快充充电桩造价、单个慢充充电桩造价：
Figure FDA0004122735850000011
其中Ffast为单个快充充电桩造价、Fslow为单个慢充充电桩造价；
用户选择快充和慢充两种不同充电方式下的充电时长：
Figure FDA0004122735850000012
其中Tfast为快充的充电时长；Tslow为慢充的充电时长；
用户选择快充和慢充两种不同充电方式下的充电效率：
Figure FDA0004122735850000013
其中pfast为快充的充电效率；pslow为慢充的充电效率；
电动汽车的正常行车状态下的消耗功率Pc；实时获取充电需求点i的时刻k下的车流量mik；充电站的充电单价u2；
在所述步骤S2中，所述待规划城市被划分为j个充电区块，同时对时间段划分为k段，通过BP卷积神经网络预测各充电区块得到关键充电需求点i及各关键充电需求点所对应的电动汽车平均行驶速度vik；
步骤S3中所述约束条件中的保证充电站全天应满足其服务范围内所有充电需求，具体建立为如下第一约束方程：
Figure FDA0004122735850000021
其中i表示第i个关键充电需求点，k表示第k时刻，其中pk*Tk表示该充电站提供的充电电能，dij表示第i个关键充电需求点到j个充电站的距离；
pk*Tk＝ak*pfast*Tfast+bk*pslow*Tslow
其中ak表示该充电站的快充充电桩数量，bk表示该充电站慢充充电桩数量；
步骤S3中所述约束条件中的各用户在预设电量值内需到达相应的充电站进行充电，具体建立为如下第二约束方程：
dij≤dmax
dij表示第i个关键充电需求点到j个充电站的距离，dmax表示充电站所能服务的区域范围；
步骤S3中所述约束条件中的所述待规划城市中的任一关键充电需求点至少在一个充电站的服务范围内，具体建立为如下第三约束方程：
Figure FDA0004122735850000022
Figure FDA0004122735850000023
对于待规划城市内的任一关键充电需求点i，若其在充电站j的服务范围Rj内，则yij＝1，否则yij＝0；任一关键充电需求点i应满足至少在一个充电站的服务范围内；
步骤S3所述的以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型具体包括：
以最小化所述待规划城市的充电站建设投入成本为目标建立第一目标方程：
Figure FDA0004122735850000031
其中Mi＝ai*Ffast+bi*Fslow，a和b分别表示该充电站内快充充电桩、慢充充电桩的数量；Ffast为单个快充充电桩造价、Fslow为单个慢充充电桩造价；ci为充电站的基础建设成本，包括土地成本；r表示充电站的投资回收率；l表示充电站的投资回收年限；xi表示是否在i点处建设充电站，xi∈{0，1}，值为1表示是，值为0表示否；
以最小化用户充电成本为目标构建第二目标方程：
Figure FDA0004122735850000032
其中，mi，k表示第k个时间段内，充电区块i内有充电需求的电动汽车总数量；u2表示电动汽车在充电站的充电单价；g表示电动汽车单位里程消耗电量，u1表示用户的单位出行价值；
步骤S3所述的以最小化所述待规划城市的充电站建设投入成本及用户充电成本为目标，构建充电站选址建设模型还包括：
将所述第一目标方程及第二目标方程整合为单目标函数，得到如下充电站选址建设模型：
Z3＝Z1+Z2
约束方程：
Figure FDA0004122735850000033
dij≤dmax
Figure FDA0004122735850000034
所述步骤S4具体为：采用遗传算法求解所述充电站选址建设模型，将A个充电站的位置作为基因组合，充电站的选点在原来的位置基础上变动一定距离B，可自定义变动的次数C，得到A*B*C种排列组合，对每一个组合进行遍历，在满足所述充电站选址建设模型的约束条件的前提下，计算所述待规划城市的充电站建设投入成本及用户充电成本的最小值，得到最优解，从而得到每个充电站的选址，以及每个充电站所需提供的电量。
2.根据权利要求1所述的面向智慧城市的充电站建设方法，其特征在于，在所述步骤S2中，基于步骤S1得到的数据还包括对所述数据进行数据清洗，删除噪音数据及故障数据。
CN202010208693.9A 2020-03-23 2020-03-23 面向智慧城市的充电站建设方法 Active CN111311122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010208693.9A CN111311122B (zh) 2020-03-23 2020-03-23 面向智慧城市的充电站建设方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010208693.9A CN111311122B (zh) 2020-03-23 2020-03-23 面向智慧城市的充电站建设方法

Publications (2)

Publication Number Publication Date
CN111311122A CN111311122A (zh) 2020-06-19
CN111311122B true CN111311122B (zh) 2023-04-18

Family

ID=71147297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010208693.9A Active CN111311122B (zh) 2020-03-23 2020-03-23 面向智慧城市的充电站建设方法

Country Status (1)

Country Link
CN (1) CN111311122B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709662A (zh) * 2020-06-23 2020-09-25 四川中电启明星信息技术有限公司 一种基于大数据的电动汽车充电场站定容方法
CN112085381B (zh) * 2020-09-07 2023-06-30 南通电力设计院有限公司 一种多目标优化的电动汽车充电站规划方法
CN111967698B (zh) * 2020-10-23 2021-01-29 北京国新智电新能源科技有限责任公司 基于移动充电桩调度的电动汽车充电系统及装置
CN112381398B (zh) * 2020-11-13 2022-03-01 国网山东省电力公司青岛供电公司 考虑用户有限理性出行的电动汽车充电站选址方法及系统
CN112381325B (zh) * 2020-11-27 2023-11-21 云南电网有限责任公司电力科学研究院 一种加氢站规划方法
CN113077113B (zh) * 2021-05-10 2023-12-12 成都特来电新能源有限公司 一种充电基础设施智能规划设计方法
CN113642757B (zh) * 2021-06-01 2024-02-27 北京慧辰资道资讯股份有限公司 一种基于人工智能的物联网充电桩建设规划的方法及系统
CN113610276A (zh) * 2021-07-13 2021-11-05 国网江苏省电力有限公司苏州供电分公司 一种城市级电动汽车充电基础设施规划方法及系统
CN113435790B (zh) * 2021-07-29 2022-11-01 广东工业大学 一种电动公交车充换电站的设计方法
CN114037480B (zh) * 2021-11-23 2024-06-25 北京邮电大学 面向新城市的新能源车充电桩需求预测及部署优化方法
CN117974221B (zh) * 2024-04-01 2024-09-13 国网江西省电力有限公司南昌供电分公司 基于人工智能的电动车充电站选址方法及系统
CN118263867B (zh) * 2024-05-30 2024-07-26 国网山东省电力公司临沂供电公司 一种可移动式充电舱电网需求响应方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法
CN109447410A (zh) * 2018-09-25 2019-03-08 华南理工大学 一种考虑城市路网交通运行状态的充电站选址方法
CN110363438A (zh) * 2019-07-18 2019-10-22 广州市交通规划研究院 一种电动汽车充电设施建设的选址方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法
CN109447410A (zh) * 2018-09-25 2019-03-08 华南理工大学 一种考虑城市路网交通运行状态的充电站选址方法
CN110363438A (zh) * 2019-07-18 2019-10-22 广州市交通规划研究院 一种电动汽车充电设施建设的选址方法
CN110599074A (zh) * 2019-07-18 2019-12-20 广州市交通规划研究院 一种电动汽车充电设施建设的选址方法

Also Published As

Publication number Publication date
CN111311122A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111311122B (zh) 面向智慧城市的充电站建设方法
Tao et al. Data-driven optimized layout of battery electric vehicle charging infrastructure
CN109711630A (zh) 一种基于出行概率矩阵的电动汽车快充站选址定容方法
CN108681795B (zh) 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法
CN107180274B (zh) 一种电动汽车充电设施规划典型场景选取和优化方法
CN108932561B (zh) 一种考虑非线性充电函数的电动汽车充电路径选择方法
CN111754039B (zh) 纯电动公交线网综合集成优化设计的方法
CN111046576B (zh) 一种考虑双网信息的电动私家车充电负荷预测方法
CN111397620B (zh) 快充/慢充模式下的电动汽车充电导航方法及系统
CN111915150A (zh) 一种电动公交系统规划方法
CN111199320B (zh) 基于出行概率矩阵的电动汽车充电负荷时空分布预测方法
CN109636067B (zh) 一种基于粒子群算法的电动汽车充电调度优化方法
CN115239032B (zh) 计及能源自洽率的高速公路服务区微电网规划方法及系统
CN111160639A (zh) 基于用户出行时空分布特性的电动汽车充电负荷预测方法
CN109308541A (zh) 一种基于场景分析的电动汽车充电负荷预测方法
CN110059937A (zh) 一种集成电动汽车全轨迹空间的负荷建模方法
CN111523714A (zh) 一种电力充电站选址布局方法及装置
CN114840984A (zh) 一种考虑出行路径决策的电动汽车充电负荷时空预测方法
CN115907227B (zh) 一种高速公路固定与移动充电设施双层协同优化方法
CN117644783A (zh) 结合工况预测与强化学习的燃料电池汽车能量管理方法
CN114021391A (zh) 基于动态能耗与用户心理的电动汽车充电负荷预测方法
CN115510672A (zh) 一种物联网感知环境下电动微出行车辆换电需求预测方法
CN114725967A (zh) 一种基于车网互动v2g的电动汽车充放电效益优化方法
CN109740825A (zh) 一种考虑交通拥堵因素下的电动汽车充放电方法
CN110929950B (zh) 一种电动汽车负荷预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant